ARTIGO · AGENTES DE IA

O que é um agente de IA: definição, tipos e o que muda quando ele executa

A palavra “agente” virou rótulo comercial para coisas muito diferentes entre si. Este texto separa agente de assistente e de chatbot, mostra o que um agente precisa para funcionar e trata do ponto que decide o projeto: o que ele tem autorização para fazer sozinho.

Ver agentes de IA para empresas

Por Marieli Pereira de Ávila · CEO e Engenheira de Produto da Avia Hub

Publicado em 5 de setembro de 2026. Revisamos este texto quando a fonte citada muda.

Definição em uma frase

Agente de IA é um sistema que percebe o ambiente, decide o que fazer para atingir um objetivo e age sobre esse ambiente — sem que cada passo seja escrito por alguém antes.

A definição não é nova. Ela está na literatura de inteligência artificial desde os anos 1990: “um agente é qualquer coisa que possa ser vista como percebendo seu ambiente por meio de sensores e agindo sobre esse ambiente por meio de atuadores”. O que mudou não foi o conceito — foi o que passou a caber dentro do “decide o que fazer”.

Vale notar como as definições dos fornecedores de hoje reescrevem a mesma frase. A Microsoft define agente como “um sistema de software inteligente que percebe seu ambiente, toma decisões e realiza ações para atingir objetivos específicos”. O Google Cloud fala em sistemas que “perseguem objetivos e completam tarefas em nome de usuários”, com raciocínio, planejamento e memória. É a definição acadêmica, com trinta anos, em página de produto.

Agente, assistente e chatbot: três coisas diferentes

A distinção não é de vocabulário. É de risco e de arquitetura.

	Chatbot	Assistente	Agente
O que faz	Responde dentro de um roteiro	Responde e redige, com o contexto da conversa	Decide os passos e executa ações em sistemas
Ferramentas	Nenhuma	Poucas, e sempre acionadas pela pessoa	Escolhe qual usar e quando
Memória	A da sessão	A da conversa	A da tarefa, entre execuções
Quem decide o próximo passo	O roteiro	A pessoa	O próprio sistema, dentro do limite dado
O que dá errado	Não entende e encerra	Escreve algo impreciso	Executa a ação errada em um sistema real

Os fornecedores traçam o mesmo corte. A OpenAI é explícita: “aplicações que integram modelos de linguagem mas não os usam para controlar a execução do fluxo — chatbots simples, chamadas de turno único, classificadores de sentimento — não são agentes”. A IBM diz que um chatbot sem ferramentas, memória ou raciocínio “alcança apenas objetivos de curto prazo e não planeja adiante”.

A Anthropic acrescenta uma separação útil dentro do próprio termo: workflow é quando modelo e ferramentas são orquestrados por caminhos de código definidos de antemão; agente é quando o modelo dirige o próprio processo. Boa parte do que o mercado chama de agente é, tecnicamente, workflow — e isso não é defeito. Workflow é mais previsível, mais fácil de auditar e resolve a maioria dos casos. A escolha entre os dois é decisão de projeto, não de marketing.

Tipos de agente por autonomia

A taxonomia clássica organiza os agentes em ordem crescente de generalidade: reflexo simples, que reage à percepção atual; reflexo com modelo interno, que mantém estado sobre o que já viu; orientado a objetivo, que escolhe a ação que aproxima de um fim declarado; e orientado a utilidade, que compara alternativas por uma medida de preferência. O aprendizado não é um quinto tipo: é uma transformação que pode ser aplicada a qualquer um dos quatro.

Na prática corporativa, a pergunta que separa os casos não é qual tipo, e sim até onde ele vai sozinho. Um agente que lê, classifica e sugere é um problema de qualidade. Um agente que lê, classifica e executa — emite, aprova, envia, altera cadastro — é um problema de governança.

O que um agente precisa para funcionar

São quatro peças, e a quarta é a que costuma faltar.

Modelo

A parte que interpreta o pedido e decide o próximo passo. É a peça mais visível e, quase sempre, a menos decisiva para o resultado.

Ferramentas

As ações que ele pode acionar: consultar um sistema, gravar um registro, emitir um documento. Sem ferramenta, não há execução — há conversa.

Memória

O que ele retém entre passos e entre execuções. Define se o agente aprende com a operação ou recomeça do zero a cada vez.

Permissão

O que ele pode fazer, em nome de quem, dentro de qual limite, e o que exige aprovação humana antes de acontecer.

Há um detalhe técnico que muda como se pensa a responsabilidade. Na documentação de uso de ferramentas, o modelo não executa a ação: ele devolve um bloco estruturado dizendo qual ferramenta quer usar e com quais argumentos. Quem executa é a aplicação de quem construiu o agente. É ali — no seu código, na sua infraestrutura — que vivem a autorização e o registro de auditoria.

Isso tem uma consequência direta: a pergunta “o agente pode fazer isso?” nunca é respondida pelo fornecedor do modelo. É respondida pelo desenho do sistema que a empresa construiu em volta dele.

O gate humano

A orientação de segurança mais citada sobre agentes trata exatamente disso. O risco catalogado pela OWASP como excessive agency tem três causas nomeadas: excesso de funcionalidade, excesso de permissão e excesso de autonomia. A mitigação recomendada é menor privilégio aplicado a ferramentas, somada a controle humano explícito — nas palavras do próprio documento, exigir que uma pessoa aprove ações de alto impacto antes de elas acontecerem.

É a mesma regra que aplicamos como princípio de governança: automação executa, pessoa decide. Nenhuma promoção para produção é automática e nada é entregue sem revisão humana. Não é cautela retórica — é o que torna a execução auditável, isto é, permite reconstruir o que foi feito, quando e por quem.

No lado normativo, o framework de gestão de risco em IA do NIST organiza o assunto em quatro funções — governar, mapear, medir e gerenciar — e é explicitamente voluntário, não uma obrigação legal. O NIST também mantém um projeto dedicado a controles de segurança para sistemas com agente único e com múltiplos agentes, ainda em desenvolvimento. Quem estiver desenhando governança de agentes hoje trabalha com material em construção, e é honesto dizer isso.

Onde o agente falha

Sobre adoção, o dado mais recente com amostra identificável vem de um levantamento com 1.719 respondentes em 97 países, a campo entre maio e junho de 2026: entre organizações com receita acima de US$ 1 bilhão, 40% relatam estar escalando agentes de IA, contra 27% no ano anterior. Entre as organizações menores o número ficou parado em 22%. A distância entre os dois grupos é o dado interessante — escalar agente exige estrutura que a empresa menor ainda não montou.

Sobre fracasso, é preciso cuidado com o que se cita. A Gartner prevê que mais de 40% dos projetos de IA agêntica serão cancelados até o fim de 2027, por custo crescente, valor de negócio pouco claro ou controles de risco inadequados. Isso é previsão, não medição de projetos já cancelados — e circula com frequência como se fosse medição.

Procuramos e não encontramos fonte identificável com medição real de taxa de abandono de projetos com agentes. Preferimos registrar a lacuna a preencher com número frágil. O que se pode dizer com segurança é qual é o padrão de falha que aparece em diagnóstico: escopo amplo demais na primeira entrega, ferramenta com permissão maior que a necessária, e ausência de registro que permita descobrir depois por que o agente fez o que fez.